基于低秩表示的多视图聚类方法能够提取数据的全局结构且具有对噪声强鲁棒的优点.然而,低秩表示往往忽略了不同视图的多样性特征信息,这可能会影响多视图聚类算法的性能.针对上述问题,提出一种多样性特征增强与低秩表示的多视图聚类算法...基于低秩表示的多视图聚类方法能够提取数据的全局结构且具有对噪声强鲁棒的优点.然而,低秩表示往往忽略了不同视图的多样性特征信息,这可能会影响多视图聚类算法的性能.针对上述问题,提出一种多样性特征增强与低秩表示的多视图聚类算法(Multi-view clustering algorithm with diversity feature enhancement and low-rank representation,MVC-DL).首先,MVC-DL通过表征出各视图的多样性特征信息,将其与一致性特征矩阵联合使得学习到的多视图特征信息更准确;其次,提出一种多视图加权谱结构融合策略来构建多视图一致性相似矩阵,有效减少了各个视图间的数据差异及噪声的影响;最后,利用增强拉格朗日乘子法并结合交替迭代优化算法求解该模型.在6个广泛使用的多视图数据集上将MVC-DL与10个先进多视图聚类算法进行对比,验证了MVC-DL的有效性.展开更多
文摘基于低秩表示的多视图聚类方法能够提取数据的全局结构且具有对噪声强鲁棒的优点.然而,低秩表示往往忽略了不同视图的多样性特征信息,这可能会影响多视图聚类算法的性能.针对上述问题,提出一种多样性特征增强与低秩表示的多视图聚类算法(Multi-view clustering algorithm with diversity feature enhancement and low-rank representation,MVC-DL).首先,MVC-DL通过表征出各视图的多样性特征信息,将其与一致性特征矩阵联合使得学习到的多视图特征信息更准确;其次,提出一种多视图加权谱结构融合策略来构建多视图一致性相似矩阵,有效减少了各个视图间的数据差异及噪声的影响;最后,利用增强拉格朗日乘子法并结合交替迭代优化算法求解该模型.在6个广泛使用的多视图数据集上将MVC-DL与10个先进多视图聚类算法进行对比,验证了MVC-DL的有效性.
